BGE-M3
Free.ai (self-hosted)
·
embeddings
·
~100 tokens por call
BGE-M3 é an embedding model construído por BAAI. "A mellor en Text embeddings, semantic search". Auto-aloxado en Free.ai GPUs — executa libremente contra o seu conxunto de tokens diarios (100 tokens por chamada). Publicado baixo a licenza MIT — uso comercial permitido en Free.ai.
Empregar a través da API
API REST compatíbel con OpenAI. Xere unha chave e chame a este modelo en segundos.
curl -X POST https://api.free.ai/v1/image/generate/ \
-H "Authorization: Bearer sk-free-..." \
-H "Content-Type: application/json" \
-d '{"model":"bge-m3","prompt":"your prompt here"}'Preguntas frecuentes
BGE-M3 __ converte o texto nun vector denso (unha lista de números flutuantes) que captura o significado. Úsao para procuras semánticas, agrupamento, recomendacións, xeración aumentada de recuperación (RAG) e calquera tarefa onde « é este texto semellante a ese texto » sexa importante.
As dimensións típicas son 384, 768, 1024 ou 1536 dependendo do modelo. BGE-M3 emite 1024- dim; OpenAI Ada emite 1536. A resposta da API inclúe a dimensión para que a súa base de datos de vectores escolla o índice correcto.
Os modelos de incrustación modernos (incluíndo a maioría das opcións no Free.ai) están adestrados en máis de 100 linguas. Funciona a recuperación entre linguas: procura en inglés, coincide con documentos en español.
512 a 8. 192 tokens dependendo do modelo. As entradas máis longas son truncadas - fragmenta os documentos longos en parágrafos antes de incorporalos.
BGE-M3 executase nas nosas propias GPU e está entre as ferramentas máis baratas — arredor de ~100 tokens por chamada extraídos da súa reserva diaria libre. $5 = 200K tokens.
Si — POST unha lista de cadeas a / v1/ embeddings / e BGE-M3 __ devolve unha lista de vectores na mesma orde. Tamaño do lote de ata 2. 048 por petición.
Normalizado en L2 por omisión — similitude cosinus = produto de puntos. Pase « normalize=false » se quere vectores brutos para unha métrica de distancia diferente.
Calquera — Pinecone, Weaviate, Qdrant, Chroma, pgvector, FAISS, LanceDB. BGE-M3 __ devolve valores flutuantes JSON; a base de datos nunca ve o modelo.
Si — POST a / v1/ embeddings / con model=" BGE-M3 ". Forma de resposta compatíbel con OpenAI, polo que as bibliotecas cliente existentes funcionan sen cambios. / api / ten a referencia completa.
Os modelos auto- hospedados manteñen o seu texto nas nosas GPU e descartáno despois de que a chamada regrese. Premium pasa a través dun DPA. Non adestramos coas súas entradas.
Menos de 100ms para texto curto en auto- hospedado, 100- 500ms en premium. As chamadas por lotes escalan aproximadamente linearmente — 1000 fragmentos completados en 2- 10 segundos.
Si, Free.ai concede o uso comercial das incorporacións. Construír procuras de produción, canalizacións RAG, sistemas de recomendación sen royalties por vector.